LAPORAN PRAKTEK KERJA LAPANGAN
RANCANG BANGUN SISTEM REKOMENDASI PRODUK E-COMMERCE I-SHOP DENGAN METODE COLLABORATIVE FILTERING
Disusun oleh:
MUHAMMAD ILHAM MAULANA F1D017059
PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS TEKNIK
UNIVERSITAS MATARAM 2020
ii
LEMBAR PENGESAHAN
LAPORAN PRAKTEK KERJA LAPANGAN
RANCANG BANGUN SISTEM REKOMENDASI PRODUK
E-COMMERCE I-SHOP DENGAN METODE COLLABORATIVE
FILTERING
Disusun oleh:
MUHAMMAD ILHAM MAULANA F1D 017 059
Telah disetujui oleh : Tanggal :
1. Dosen Pembimbing 1. 21 Juni 2020
Andy Hidayat Jatmika, ST., M.Kom. NIP. 19831209 201212 1 001
2. Pembimbing Lapangan 2. 22 Juni 2020
Robert Silas Kabanga, S.Kom.,M.Eng NIP: 19860513 201101 1 015
Mengetahui,
Sekretaris Program Studi Teknik Informatika Fakultas Teknik
Universitas Mataram
Andy Hidayat Jatmika, ST., M.Kom. NIP. 19831209 201212 1 001
iii KATA PENGANTAR
Puji syukur penulisan panjatkan ke hadirat Allah SWT, Tuhan semesta alam, karena dengan berkat, rahmat dan limpahan karunianya sehingga penulis dapat menyelesaikan Laporan Praktek Kerja Lapangan ini sebagaimana mestinya.
Adapun Praktek Kerja Lapangan (PKL) ini penulis laksanakan di Dinas Komunikasi Informatika dan Statistik Pemerintah Provinsi Nusa Tenggara Barat dengan judul “Sistem Rekomendasi Produk E-commerce I-Shop Dengan Metode Collaborative
Filtering”. Sistem rekomendasi produk e-commerce digunakan untuk mempermudah
pengguna situs I-shop yang untuk mendapatkan produk yang relevan dan sesuai dengan apa yang dicari pengguna. Dalam pembuatan laporan ini penulis berpedoman pada bahan kuliah, petunjuk dari pembimbing lapangan, dosen pembimbing, referensi dan literatur yang terkait dengan penulisan laporan.
Penulis menyadari laporan ini masih jauh dari kesempurnaan. Oleh karena itu, penulis mengharapkan kritik serta saran yang bersifat membangun agar dapat menghasilkan karya yang lebih baik dimasa mendatang. Semoga laporan ini dapat bermanfaat bagi penulis dan pembaca sekalian.
Mataram, 2020
iv DAFTAR ISI DAFTAR ISI ... iv DAFTAR GAMBAR ... v BAB I PENDAHULUAN ... 1 1.1 Latar Belakang………...1 1.2 Rumusan Masalah………..2 1.3 Batasan Masalah………....2 1.4 Tujuan………2 1.5 Manfaat………..…..………..3
BAB II TINJAUAN INSTANSI TEMPAT PKL ... 4
2.1 Profil Dinas Komunikasi Informatika dan Statistik Provinsi NTB………...4
2.2 Visi dan Misi Dinas Komunikasi Informatika dan Statistik Provinsi NTB …...5
2.4 Struktur Organisasi Dinas Komunikasi Informatika dan Statistik Provinsi NTB 5 BAB III LANDASAN TEORI ... 7
3.1 Sistem Rekomendasi………..………7
3.2 Metode-Metode pada Sistem Rekomendasi ………...………..9
3.3 Metode Evaluasi…..…...……….11
3.4 Faktorisasi Matriks………...………...………11
BAB IV PEMBAHASAN ... 13
4.1 Analisa Sistem………..………...13
4.2 Analisa Masalah…….……….………....13
4.3 Deskripsi Kebutuhan Sistem (Dataset)………14
4.4 Collaborative Filtering...……….14
4.5 Proses Collaborative Filtering…...……….14
BAB V PENUTUP ... 16
5.1 Kesimpulan………..………..…..16
5.2 Saran………..………..16
DAFTAR PUSTAKA ... 17 LAMPIRAN
v DAFTAR GAMBAR
Gambar 2. 1 Struktur Organisasi Dinas Komunikasi Informatika dan Statistik NTB ... 6
Gambar 3. 1 Taksonomi sumber informasi pada sistem informasi ... 8
Gambar 3. 2 Matriks User x Item pada Sistem Rekomendasi Collaborative Filtering.. 10
Gambar 3. 3 Faktorisasi Matriks ... 11
Gambar 4. 1 Representasi data menggunakan matriks ... 14
Gambar 4. 2 Hasil evaluasi popularity based recommendation ... 16
Gambar 4. 3 Hasil evaluasi sistem rekomendasi model collaborative filtering ... 16
1 BAB I
PENDAHULUAN 1.1 Latar Belakang
Sistem rekomendasi didefenisikan sebagai aplikasi pada website e-commerce untuk mengusulkan informasi dan menyediakan fasilitas yang diinginkan pengguna dalam membuat suatu keputusan. Sistem ini diasumsikan seperti penggambaran kebutuhan dan keinginan pengguna melalui pendekatan metode rekomendasi dengan mencari dan merekomendasikan suatu item dengan menggunakan rating berdasarkan kemiripan dari karakteristik informasi pengguna.
Semakin banyaknya informasi produk yang ada di internet menghadirkan tantangan baik pembeli maupun pebisnis online dalam lingkungan ecommerce. Pembeli sering mengalami kesulitan saat mencari produk di internet karena banyaknya produk yang dijual di internet. Pebisnis online sering mengalami kesulitan karena memiliki data mengenai produk, pembeli, dan transaksi yang sangat banyak, sehingga menyebabkan pebisinis online mengalami kesulitan untuk mempromosikan produk yang tepat pada target pembeli tertentu. Sistem rekomendasi secara otomatis dapat mengalisis penggunaan data calon pembeli untuk menyaring konten halaman web, mengkategorisasi pesan newsgroup, dan merekomendasikan informasi. Sistem rekomendasi menganalisis data menganai produk atau interaksi pengguna dan produk untuk menemukan hubungan antara produk dan pengguna. Hasil yang diterima akan ditampilkan sebagai rekomendasi [1].
Sistem rekomendasi bisa memanfaatkan teknik Collaborative Filtering atau yang biasa disebut dengan crowd-wisdom adalah salah satu metode rekomendasi yang menggunakan data rating dari seorang pengguna, dan pengguna lain untuk menghasilkan rekomendasi. Collaborative filtering menganggap bahwa selera pengguna terhadap suatu
item atau barang akan cenderung sama dari waktu ke waktu. Ditambah lagi, pengguna
yang menyukai suatu item biasanya juga akan menyukai item lain yang disukai oleh pengguna lain yang juga menyukai item yang sama dengan pengguna tersebut.
I-Shop adalah aplikasi web yang sedang dikembangkan oleh Kominfo NTB yang menyediakan penjualan produk-produk UKM yang ada Nusa Tenggara Barat. Saat ini sudah banyak orang yang memanfaatkan internet untuk memesan produk secara online. Dengan semakin banyaknya pengguna yang melakukan transaksi online, maka diperlukan sistem yang dapat mempermudah pengguna dalam mencari produk yang sesuai dengan
2 apa yang dicari. Saat ini pengguna yang ingin mencari sebuah produk, sistem akan merekomendasikan produk-produk terpopuler yang didapatkan dari seberapa banyak orang yang membeli produk tersebut. Masalah terjadi ketika produk yang ditampilkan tidak relevan dengan apa yang dicari oleh pengguna.
Penelitian ini bertujuan mendesain sistem rekomendasi dengan metode
Collaborative Filtering dan menguji kinerja sistem rekomendasi tersebut kembali
menggunakan precission dan recall. Selanjutnya dibuat aplikasi dengan algoritma yang efektif dalam merekomendasikan produk dengan metode Collaborative Filtering, sehingga pengguna mudah mencari produk yang diinginkan.
1.2 Rumusan Masalah
Berdasarkan latar belakang yang telah diuraikan, maka dapat dirumuskan permasalahan yaitu “Bagaimana merancang dan menguji Sistem Rekomendasi Produk I-Shop pada Dinas Komunikasi, Informatika dan Statistik NTB?” sehingga dapat merekomendasikan produk yang relevan dengan keinginan pengguna.
1.3 Batasan Masalah
Berdasarkan rumusan masalah yang ada, berikut adalah batasan-batasan masalah yang akan dibahas dalam laporan ini :
1. Bagaimana merancang Sistem Rekomendasi Produk I-Shop menggunakan metode
Collaborative Filtering.
2. Bagaimana menguji hasil rekomendasi dari Sistem Rekomendasi Produk I-Shop.
1.4 Tujuan
Berdasarkan rumusan masalah yang telah diuraikan, tujuan Praktek Kerja Lapangan (PKL) yang dilakukan yaitu:
1. Membuat perancangan dan menguji menguji Sistem Rekomendasi Produk I-Shop pada Dinas Komunikasi, Informatika dan Statistik NTB sehingga dapat merekomendasikan produk yang relevan kepada pengguna.
2. Mengetahui apakah dengan menggunakan sistem rekomendasi Collaborative
Filtering, akan lebih mempermudah pengguna dalam mendapatkan produk yang
3 1.5 Manfaat
Manfaat yang diperoleh dari pelaksanaan Praktek Kerja Lapangan (PKL) ini antara lain adalah sebagai berikut :
1. Memberikan kemudahan bagi pengguna I-shop untuk mendapatkan produk yang relevan dan sesuai dengan apa yang diinginkan.
4 BAB II
TINJAUAN INSTANSI TEMPAT PKL
2.1 Gambaran Umum Instansi
Dinas Komunikasi dan Informatika adalah Dinas yang mempunyai tugas melaksanakan kewenangan daerah di bidang pengelolaan Teknologi Informasi dan Komunikasi serta melaksanakan tugas pembantuan yang diberikan oleh pemerintah dan pemerintah provinsi dimana dalam setiap kegiatannya selalu berhubungan dengan pembangunan dan pengembangan system informasi, pengembangan dan pemeliharaan jaringan computer antar bidang, pengelolaan produksi informasi dan publikasi, pengelolaan dan pengembangan komunikasi publik, yang mana pada setiap kegiatan-kegiatan tersebut terbagi menjadi tiga bidang serta satu Sekretariat dan dikepalai oleh kepala bidang dari setiap bidangnya
Sebagai lembaga pemerintahan yang mempunyai tanggung jawab besar dan bergerak di dalam lingkungan Pemerintah NTB, maka KOMINFO mempunyai tugas pokok dan fungsi yang besar dalam membangun Teknologi Informasi dan Komunikasi (TIK) di Provinsi NTB. Dinas Komunikasi dan Informatika Provinsi NTB saat ini berkedudukan dan menempati kantor dengan alamat Jalan Udayana No. 14 Mataram - NTB , Telp. (0370) 644264; Fax (0370) 7509831.
2.2 Visi Misi a. Visi
Membangun Nusa Tenggara Barat Gemilang. b. Misi
Misi dari Program Dinas Komunikasi, Informatika dan Statistik NTB yaitu: 1. NTB Tangguh dan Mantap
Melalui penguatan mitigasi bencana dan pembangunan infrastruktur serta konektivitas wilayah.
2. NTB Bersih dan Melayani
Melalui transformasi birokrasi yang berintegritas, berkinerja tinggi, bersih dari KKN dan berdedikasi.
5 3. NTB Sehat dan Cerdas
Melalui peningkatan kualitas sumber daya manusia sebagai pondasi daya saing daerah.
4. NTB Asri dan Lestari
Melalui pengelolaan sumber daya alam dan lingkungan yang berkemajuan. 5. NTB Sejahtera dan Mandiri
Melalui penangggulangan kemiskinan, mengurangi kesenjangan, pertumbuhan ekonomi inklusif bertumpu pada pertanian, pariwisata dan industrialisasi.
6. NTB Aman dan Berkah
Melalui perwujudan masyarakat mandani yang beriman, berkarakter dan penegakan hukum yang berkeadilan.
2.3 Struktur Organisasi
Struktur Organisasi Dinas Komunikasi Informatika dan Statistik Pemerintah Provinsi Nusa Tenggara Barat dibentuk berdasarkan Peraturan Gubernur Nusa Tenggara Barat Nomor 50 Tahun 2016 tentang Kedudukan, Susunan Organisasi, Tugas dan Fungsi serta Tata Kerja Dinas Daerah Provinsi Nusa Tenggara Barat (Sebagaimana telah diubah dengan Peraturan Gubernur Nomor 46 Tahun 2018 tentang Perubahan Kedua Atas Peraturan Gubernur Nusa Tenggara Barat Nomor 50 Tahun 2016 tentang Kedudukan, Susunan Organisasi, Tugas dan Fungsi serta Tata Kerja Dinas Daerah Provinsi Nusa Tenggara Barat) dapat dilihat pada Gambar 2.1.
6 Gambar 2.1 Struktur Organisasi Dinas Komunikasi Informatika dan Statistik NTB
7
BAB III
DASAR TEORI
3.1 Sistem Rekomendasi
Konsep sistem rekomendasi telah digunakan secara luas oleh hampir semua area bisnis dimana seorang konsumen memerlukan informasi untuk membuat suatu keputusan. Sistem rekomendasi paket wisata atau perjalanan menggunakan konsep ini dapat menolong para wisatawan untuk memutuskan tujuan perjalanan mereka, akomodasi dan aktivitas di tempat tujuan [2].
Sistem rekomendasi adalah sistem yang befungsi untuk membantu pengguna dalam mengidentifikasi produk yang sesuai dengan kebutuhan, kesenangan, dan keinginan pengguna. Sistem rekomendasi akan membimbing pengguna untuk menemukan produk yang relevan dan berguna dari banyaknya produk yang tersedia [3].
Sistem rekomendasi mengandalkan dua tipe informasi yang berbeda, yaitu explicit input dan implicit input. Explicit merupakan informasi didapat dari hasil penilaian yang diberikan langsung oleh pengguna, misalnya pemberian rating atau thumbs-up/down untuk item tertentu. Sedangkan implicit merupakan informasi didapat dengan cara mengamati kebiasaan pengguna, misalnya catatan pembelian, catatan penelusuran, pola pencarian, atau bahkan click-stream [3].
Sebuah sistem rekomendasi juga dapat diklasifikasi berdasarkan sumber informasi. Gambar 3.1 menunjukan taksonomi sumber informasi yang digunakan dalam sistem informasi. Ada 3 jenis sistem rekomendasi berdasarkan sumber informasinya :
a. Informasi sosial tentang pengguna secara umum.
b. Informasi individual tentang pengguna tertentu yang mana rekomendasi untuk pengguna tersebut dicari.
c. pengetahuan konten tentang item yang sedang direkomendasikan, mulai dari daftar sederhana hingga yang lebih kompleks yang memungkinkan sistem rekomendasi untuk mengetahui tentang bagaimana suatu barang dapat memenuhi kebutuhan pengguna [4].
8 Gambar 3.1 Taksonomi sumber informasi pada sistem informasi.
Tantangan utama sebuah sistem rekomendasi adalah:
• Data Sparsity: Hal ini sangat jarang bahwa dua pengguna menilai item yang sama berkali-kali. Hal ini membuat lebih sulit untuk menghitung kesamaan. • Cold start for user: Pengguna yang belum melakukan rating terhadap
beberapa barang dapat menyebabkan ia mendapatkan hasil yang tidak akurat. Hal ini mungkin terjadi karena pengguna lain yang memiliki kemiripan dengan pengguna ini tidak dapat ditemukan
• Cold start for item: Item yang baru diperkenakan memungkinkan tidak mendapatkan rating yang cukup, yang menyebabkan tidak direkomendasikan kepada pengguna.
• Attacks: Sistem rekomendasi memiliki ancaman terhadap serangan, seperti menyalin keseluruhan profil pengguna dan membuat sistem berpikir bahwa si penyerang dan pengguna tersebut sangat mirip. Hal ini membuat penyerang dapat membodohi sistem dan membuatnya menyarankan item apapun yang di rating oleh penyerang kepada pengguna [5].
9 3.2 Metode-Metode pada Sistem Rekomendasi
Ada beberapa metode yang biasa digunakan dalam sistem rekomendasi yang dibagi menjadi empat yaitu :
a. Sistem rekomendasi berbasis popularitas (popularity based recommendation)
Adalah metode rekomendasi yang biasanya sulit dikalahkan dan menjadi standar metode yang lain.. Sistem rekomendasi dengan metode ini tidak terpesonalisasasi untuk setiap user. Metode ini simpel dimana sistem ini hanya merekomendasi item paling populer yang belum pernah di konsumsi oleh pengguna.
b. Sistem rekomendasi berbasis logika fuzzy
Adalah metode rekomendasi yang menggunakan logika fuzzy untuk melakukan filtrasi terhadap fitur-fitur yang berisi profil pengguna. Fitur-fitur tersebut biasanya bersifat tidak tidak pasti dan kabur. Hal tersebut membuat logika fuzzy cocok digunakan karena metode logika fuzzy terkenal dapat mengakomodir data bukan biner dan bersifat non linier [5].
c. Sistem rekomendasi berbasis konten (content based recommendation)
Ada berbagai macam metode pendekatan yang digunakan untuk menyelesaikan permasalahan pada sistem rekomendasi, antara lain user-based collaborative filtering,
content based filtering dan hybrid. Content-based filtering memberikan suatu
rekomendasi berdasarkan hasil analisa kemiripan item yang telah dinilai oleh penggunanya. Content-Based Filtering membentuk profil penggunanya berdasarkan atribut pembentuk suatu item. Cosine Similarity yang tertinggi yang akan menjadi hasil rekomendasi.
Content-Based Filtering membentuk profil penggunanya berdasarkan atribut
pembentuk suatu item. Sebagai contoh untuk suatu dokumen, atribut pembentuknya adalah katakata yang terdapat pada dokumen tersebut. Parameter pembentuk profil pengguna ini juga diberi nilai bobot berdasarkan kriteria tertentu. Adapun langkah – langkah algoritmanya :
1) Suatu item barang dibagi-bagi berdasarkan suatu vektor komponen pembentuknya.
2) Sistem akan membuat profil pengguna berdasarkan bobot vektor komponen pembentuk suatu item. Pembuatan profil pengguna dapat menggunakan algoritma TF-IDF (term frequency-invers document frequency). TF adalah jumlah term dalam suatu dokumen.
10 3) Berdasarkan profil pengguna tersebut, sistem akan memperkirakan penilaian suka atau tidak suka suatu item berdasarkan analisis kemiripan profil pengguna dengan vektor komponen pembentuk item. Jika sistem memperkirakan bahwa item tersebut akan disukai oleh pengguna maka item tersebut akan direkomendasikan ke pengguna.
d. Sistem rekomendasi berbasis kolaborasi pengguna (collaborative filtering)
Ide utama dalam sistem rekomendasi collaborative filtering adalah untuk memanfaatkan opini pengguna lain yang ada untuk memprediksi item yang mungkin akan disukai/diminati oleh seorang pengguna [6]. Teknik ini menggunakan asumsi mendasar dimana opini pengguna lain dapat dipilih dan di agregasikan untuk memberikan prediksi dari preferensi pengguna aktif. Intinya, diasumsikan bahwa apabila beberapa pengguna mempunyai minat yang sama terhadap suatu buku, maka besar kemungkinan mereka mempunyai minat yang sama juga untuk buku yang lain [7]. Sistem rekomendasi collaborative filtering beroperasi di dalam sebuah ruang dua dimensi User x Item. Rating yang dapat diberikan oleh seorang pengguna terhadap sebuah item dapat direpresentasikan sebagai R (bilangan bulat tidak negatif atau bilangan real dengan jarak tertentu), dan sistem rekomendasi mencoba untuk memprediksi rating yang akan diberikan seorang user untuk sebuah item yang belum pernah ia beri rating sebelumnya. Misalnya, terdapat lima pengguna 𝑢1,𝑢2,𝑢3,..𝑢5 dan lima item 𝑖1,𝑖2,𝑖3,..𝑖5. Sebuah sistem rekomendasi ingin memprediksi berapa
rating yang akan diberikan oleh 𝑢1 kepada 𝑖5.
11 Terdapat sebuah cara yang sering digunakan dalam menghitung / memprediksi rating pengguna u terhadap item i dengan mengkalkulasikan rata-rata rating pengguna lain (neighbor), yaitu rumus weighted sum:
Dimana:
• 𝑅′(𝑢,𝑖)adalah prediksi rating pengguna u terhadap item i.
• 𝑅(𝑢′,𝑖)adalah rating pengguna u’ (pengguna selain u) terhadap item i. • 𝑠𝑖𝑚(𝑢,𝑢′) adalah kemiripan antara pengguna 𝑢 dengan 𝑢′.
• N(u) adalah satu set pengguna lain yang mirip dengan pengguna u. 3.3 Metode Evaluasi
Metode evaluasi sangatlah penting dalam projek pembelajaran mesin, karena evaluasi memungkinkan perbandingan secara objektif algoritma-algoritma yang berbeda beserta parameter-parameternya. Salah satu aspek penting dalam metode evaluasi adalah memeastikan bahwa model pembelajaran mesin yang dipakai men-generalisasi untuk data yang tidak pernah dilatih.
3.3.1 Recall@N
Analisa performa sistem dihitung menggunakan metode recall@n. Dimana recall adalah persentase semua item yang relevan yang dikembalikan dari hasil rekomendasi. perhitungan recall dilakukan menggunakan rumus [8]:
Recall = 𝑖𝑡𝑒𝑚 relevan yang direkomendasi
total 𝑖𝑡𝑒𝑚 yang disukai oleh pengguna
3.4 Faktorisasi Matriks
Faktorisasi Matriks, merupakan salah satu metode untuk memfaktorkan sebuah matriks yang besar menjadi matriks yang lebih kecil, yang mewakili matriks original.
12 Gambar 3.3 Faktorisasi Matriks
3.4.1. Singular Value Decomposition
Suatu proses dekomposisi dalam matriks berarti memfaktorkan sebuah matriks menjadi lebih dari satu matriks. Salah satu teknik dekomposisi yaitu SVD yang berkaitan dengan nilai singular (singular value) suatu matriks, dimana nilai singular mencerminkan karakteristik matriks tersebut. SVD didasarkan pada teori aljabar liniar, bahwa suatu matriks persegi panjang dimensi MxN dapat dipecah atau difaktorkan menjadi perkalian dari 3 buah matriks, yaitu matriks ortogonal U, matriks diagonal ∑ dan transpose dari matriks ortogonal V.
13 BAB IV
HASIL DAN PEMBAHASAN
4.1 Analisis Sistem
Diskominfo NTB berencana akan membuat e-Commerce I-Shop yang nantinya akan digunakan sebagai tempat UKM-UKM yang ada di NTB untuk menjual barang-barangnya. Untuk itu, dibutuhkan sistem rekomendasi yang dapat merekomendasikan produk-produk yang ada pada 3-commerce tersebut kepada pengguna secara personalisasi.
4.2 Deskripsi Kebutuhan Sistem (Dataset)
Dataset yang digunakan dalam melatih sistem rekomendasi ini adalah Articles
sharing and reading from CI&T DeskDrop. Penggunaan dataset tersebut dilakukan
karena dataset tersebut memiliki banyak karakteristik yang sama dengan apa yang dibutuhkan dalam dataset E-Commerce seperti adanya beberapa tipe interaksi yang dilakukan pengguna. Dataset Articles sharing and reading from CI&T DeskDrop memiliki data yang akan digunakan sebagai landasan sistem sebagai berikut :
a. Histori data sampel real selama 12 bulan (maret 2016 – februari 2017) dari CI&T's Internal Communication platform (DeskDrop).
b. Dataset ini memiliki feedback implisit yang banyak (comment, like, dan view). 4.3 Implementasi Sistem
Implementasi sistem pada sistem rekomendasi terdiri atas beberapa langkah. Langkah pertama yang dilakukan adalah data cleaning dan data munging. Kemudian langkah selanjutnya adalah mengubah data menjadi matriks. Matriks yang didapatkan kemudian akan di faktorisasi dengan menggunakan metode Singular Vector
Decomposition. Dari faktor-faktor matriks yang didapatkan inilah nantinya rekomendasi
ke pengguna akan dilakukan. 4.5.1 Data Munging
Pada langkah ini, dilakukan perubahan pada data yang ada pada dataset karena terdapat beberapa interaksi implisit dari pengguna seperti comment, bookmark, view dan lain-lain. Sehingga perlu dilakukan perubahan data tersebut menjadi data numerik agar dapat dikalkulasi. Karena terdapat beberapa interaksi implisit antara pengguna dan produk, maka setiap interaksi tersebut dapat diasosiasikan dengan berat (weight) dan kekuatan (strength). Contohnya, pengguna yang menyukai sebuah produk, memiliki daya
14 tarik yang lebih besar kepada produk tersebut daripada pengguna yang hanya melihat produk tersebut. Sehingga dapat dilakukan perubahan data menjadi numerik sebagai berikut :
1. View dengan nilai strength 1.0 . 2. Like dengan nilai strength 2.0 . 3. Bookmark dengan nilai strength 2.5 . 4. Follow dengan nilai strength 3.0 .
5. Comment dengan nilai strength: 4.0 .
4.5.2 Data Cleaning
Sistem rekomendasi menggunakan metode collaborative filtering memiliki masalah yang disebut dengan user cold start dimana terjadi kesulitan untuk merekomendasi yang terpesonalisasi untuk pengguna yang memiliki jumlah interaksi sedikit, yang disebabkan oleh kurangnya informasi untuk memodelkan preferensi pengguna tersebut. Oleh karena itu, dilakukan filtering data untuk menyaring pengguna yang memiliki minimal 5 interaksi dengan produk.
4.5.3 Representasi matriks
Pada langkah ini, data yang telah dibersihkan kemudian akan direpresentasikan dalam bentuk matriks. Salah satu cara merepresentasikan data rating pengguna kedalam sebuah matriks adalah dengan memperlakukan data pengguna sebagai kolom dan data
rating produk sebagai baris dalam matriks atau sebaliknya.
15 Seperti yang dapat dilihat pada Gambar 4.1, terlihat bahwa matriks yang dihasilkan masih banyak yang kosong (sparse). Nilai nol pada matriks yang didapatkan tersebut merepresentasikan produk yang belum pernah di-rating oleh pengguna. Hal yang akan dilakukan oleh sistem rekomendasi adalah mengisi memprediksi rating yang masih kosong tersebut dan merekomendasikan produk-produk tersebut kepada pengguna berdasarkan rating yang didapat.
4.5.4 Faktorisasi Matriks
Faktorisasi dari matriks pengguna-produk-rating akan didapatkan dengan menggunakan metode singular value decomposition. Metode singular value
decomposition adalah metode faktorisasi matriks menjadi 3 matriks berbeda. Ketiga
matriks tersebut merepresentasikan latent factor atau karakteristik dari data dimana dalam kasus ini, adalah kategori dari produk. Banyaknya latent factor yang akan digunakan dalam melakukan faktorisasi akan mempengaruhi performa dari sistem rekomendasi. Oleh karena itu, untuk mengetahui jumlah latent factor yang optimal untuk digunakan, dilakukan pengujian dengan menggunakan 10-20 latent factor.
4.5.5 Optimalisasi Sistem
Pada langkah ini, dilakukan optimalisasi sistem rekomendasi model collaborative
filtering dilakukan dengan menentukan jumlah latent factor optimal yang akan
digunakan dalam faktorisasi matriks, sesuai dengan yang dijelaskan pada langkah faktorisasi matriks. Jumlah latent factor yang digunakan dalam faktorisasi matriks mempengaruhi akurasi dalam merekomendasikan produk kepada pengguna. untuk itu
16 dilakukan pengujian untuk jumlah latent factor 10 sampai dengan 20 untuk mengetahui jumlah latent factor yang optimal seperti yang diperlihatkan pada Gambar 4.4.
Gambar 4.4 Pengujian jumlah latent factor pada model collaborative filtering Pada gambar 4.4, dapat dilihat bahwa akurasi dari model collaborative filtering meningkat dengan bertambahnya jumlah latent factor hingga latent factor berjumlah 16. Setelah melebihi jumlah tersebut, akurasi dari model collaborative filtering menurun. Sehingga jumlah latent factor optimal yang digunakan dalam model collaborative
filtering ini berjumlah 16.
4.5.6 Evaluasi Sistem
Pada langkah ini, dilakukan evaluasi terhadap performa sistem rekomendasi. Salah satu aspek penting dalam evaluasi adalah memastikan bahwa hasil yang didapatkan, dapat digeneralisasi untuk data baru yang belum pernah dilihat oleh sistem. Metode yang digunakan dalam pengujian ini adalah metode cross-validation yang mana, dari data yang sudah didapatkan dari langkah-langkah sebelumnya, data-data tersebut akan dipisah menjadi dataset training, dan dataset test. Semua hasil evaluasi yang dilakukan pada pengujian kali ini dilakukan pada dataset test yang sama untuk setiap metode. Selain metode cross-validation untuk evaluasi sistem rekomendasi, digunakan juga metode
recall@n untuk menghitung akurasi sistem rekomendasi.
Untuk menguji sistem rekomendasi menggunakan metode collaborative filtering, diperlukan sebuah garis dasar atau baseline untuk mengetahui seberapa efektif sistem rekomendasi menggunakan collaborative filtering dibandingkan dengan cara rekomendasi tradisional atau yang biasa disebut dengan popularity based
0.3 0.32 0.34 0.36 0.38 0.4 0.42 0.44 0.46 0.48 10 11 12 13 14 15 16 17 18 19 20 Recall@5 Recall@10
17
recommendation. Dengan menggunakan popularity based recommendation didapatkan
hasil seperti Gambar 4.2.
Gambar 4.2 Hasil evaluasi popularity based recommendation
Pada Gambar 4.2, hasil evaluasi dari model popularity mencapai 24.2% pada recall@5 yang berarti, dari 5 produk yang belum berinteraksi dengan pengguna, terdapat 24.2% produk yang direkomendasikan akan berinteraksi dengan pengguna ketika dilakukan
cross-validation dengan dataset test. Selain itu, hasil evaluasi dari model popularity ini
pada recall@10 mencapai 37.3%.
Setelah mendapatkan hasil evaluasi pada model popularity, dilakukan pengujian terhadap model collaborative filtering menggunakan metode yang sama dan dataset test dataset training yang sama dan didapatkan hasil evaluasi seperti pada Gambar 4.3.
18 Hasil evaluasi model collaborative filtering pada Gambar 4.3 menggunakan 15 latent
factor dan dari hasil yang didapatkan model collaborative filtering mendapatkan hasil recall@5 sebesar 33.4%, dan recall@10 sebesar 46.8%.
19 BAB V
PENUTUP
5. 1 Kesimpulan
Berdasarkan hasil rancangan Sistem Rekomendasi Produk I-Shop yang diusulkan dalam PKL ini, maka dapat diambil beberapa kesimpulan yaitu:
a. Setelah dilakukan pengujian, rancangan Sistem Rekomendasi Produk I-Shop menggunakan metode collaborative filtering berhasil memberikan sistem rekomendasi yang relevan kepada pengguna sesuai dengan hasil pengujian yang menghasilkan akurasi recall@5 sebesar 33.4%, dan recall@10 sebesar 46.8%.
b. Rancang bangun sistem rekomendasi produk I-Shop menggunakan metode
collaborative filtering yang diusulkan berhasil mengalahkan model popularity sesuai
dengan hasil pengujian yang dilakukan dimana sistem yang diusulkan mencapai tingkat akurasi recall@5 sebesar 33.4%, dan recall@10 sebesar 46.8%. sedangkan model popularity mendapat hasil 24.2% pada recall@5 dan 37.5% pada recall@10.
5. 2 Saran
Adapun saran yang dapat diberikan dalam rancang bangun sistem rekomendasi produk I-Shop menggunakan metode collaborative filtering :
a. Sistem Rekomendasi Produk I-Shop masih membutuhkan data awal sebagai basis dalam rekomendasi yang akan diberikan pengguna. Hal ini dapat menyebabkan pengguna mendapatkan hasil yang tidak akurat
b. Produk yang baru dimasukan kedalam sistem memungkinkan tidak mendapatkan
20 DAFTAR PUSTAKA
[1] C. S. D. Prasetya, “Sistem Rekomendasi Pada E-Commerce Menggunakan K-Nearest Neighbor,” J. Teknol. Inf. dan Ilmu Komput., vol. 4, no. 3, p. 194, 2017. [2] B. T. W. Utomo and A. W. Anggriawan, “Sistem Rekomendasi Paket Wisata
Se-Malang Raya Menggunakan Metode Hybrid Content Based Dan Collaborative,”
J. Ilm. Teknol. Inf. Asia, vol. 9, no. 1, pp. 6–13, 2015.
[3] M. Rahmadhani, Dina Maulana, Firman Nurul Agnia, “Collaborative Filtering Yang Memanfaatkan Implicit Feedback Datasets Song Recommendation System With Collaborative Collaborative Filtering,” Politek. Negeri Bandung, 2012. [4] Y. Park, “Recommender systems: An overview,” Encycl. E-bus. Dev. Manag.
Glob. Econ., vol. 3, 2010.
[5] A. J. Kuswinta, I. G. P. W. Wedashwara W, and I. W. A. Arimbawa, “Implementasi IoT Cerdas Berbasis Inference Fuzzy Tsukamoto pada
Pemantauan Kadar pH dan Ketinggian Air dalam Akuaponik,” J. Comput. Sci.
Informatics Eng., vol. 3, no. 1, pp. 65–74, 2019.
[6] F. Ricci, L. Rokach, and B. Shapira, “Recommender Systems Handbook,” in
Recommender Systems Handbook, 2010.
[7] M. I. Fathurrahman, D. Nurjanah, and R. Rismala, “Sistem Rekomendasi Pada Buku Dengan Menggunakan Metode Trust-Aware Recommendation
Recommendation System For Book By Using Trust-Aware Recommendation Method,” e-Proceeding Eng., vol. 4, no. 3, pp. 4966–4977, 2017.
[8] A. Bayu and A. Priyono, “Performa Apriori dan Collaborative Filtering untuk Sistem Rekomendasi,” J. Ilm. Inform. dan Komput., vol. 21, no. 100, pp. 51–59, 2016.
